CN110288035B - 一种智能垃圾桶在线自主学习方法及系统 - Google Patents

Abstract

本发明公开一种智能垃圾桶在线自主学习方法及系统，主要包括离线状态模型训练以及在线状态自学习优化模型两部分内容，首先收集产生垃圾较多的历史场景数据，对场景数据进行分析，提取能够反映垃圾数量的特征参数，通过将特征参数引入特征空间，利用机器学习算法训练分类器，分类器用于完成对不同场景产生的垃圾量级的分类，随后通过数据采集中心获取实时场景数据，通过模型在线学习优化平台提取特征参数，将参数带入分类器得出垃圾量级分类结果，并通过垃圾收集设备得到实际收集垃圾数量的反馈结果，根据反馈结果对分类器进行增量式学习训练，不断调整分类器模型以适应各种各样的场景，从而提高垃圾收集效率。

Description

一种智能垃圾桶在线自主学习方法及系统

技术领域

本发明涉及垃圾收集技术领域，尤其涉及一种智能垃圾桶在线自主学习方法及系统。

背景技术

根据住建部发布的《生活垃圾分类制度实施方案》，到2020年底，随着相关体系和制度逐步完善后，环卫市场也将迈入新阶段，根据E20研究院固废产业研究中心的预测，预计2020年，环卫行业产值将达到3000亿元左右，其中传统清扫保洁业务约1490亿元，环卫车辆设备900余亿元，垃圾清运业务约350亿元，垃圾分类约200亿元，公厕运营192亿元。

其中传统清洁仍然扮演着主要角色，传统清洁模式智能化、机械化程度及运营效率较低，其保洁清运工作需要大量监督人员，人工成本及运营成本也会相应增加。同时还会造成资源浪费以及资源利用率低下，其它场景下的垃圾清理工作同样存在类似问题。例如在旅游景点或园区的垃圾桶配置上，无法根据不同任务场景合理分配垃圾桶和人员数量，闲置资源可能会随着环境的变化而损坏；人流量多的地方可能存在垃圾桶匹配不足问题。

随着人工智能在各行各业的迅速发展，在汽车行业自动驾驶技术的基础上，基于机器学习技术、可自主运动收集垃圾的智能垃圾桶相关技术也日益成熟，智能垃圾桶可以通过接收上位机信号，规划路线前往不同场景收集垃圾，能够减少人力物力的投入，但相应地也存在一些弊端，例如对场景多样性分析识别的问题，在某一相对较长或较短的时段出现的场景，导致识别模型存在误识别或识别率低的问题，目前往往采用人为离线训练的方式尝试解决该问题，但会大大增加工作量，如定期进行人为离线训练，则在该时间段内可能会出现多种新场景导致识别效果不好；如每天都进行检查调整，新场景可能长时间都不会出现，反而造成人力的浪费。

发明内容

鉴以此，本发明的目的在于提供一种智能垃圾桶在线自主学习方法及系统，以至少解决以上问题。

一种智能垃圾桶在线自主学习方法，包括以下步骤：

获取包括垃圾产生数据的历史场景数据，根据各个历史场景的垃圾产生数据进行量化分级；

分析历史场景数据，提取特征参数；

将提取的特征参数引入特征空间，从历史场景数据中抽取部分样本并计算每个样本的特征指标值，根据样本对应的特征指标值和量化分级构建分类器，作为训练模型；

垃圾收集设备采集场景数据，前往相应场景收集垃圾，同时应用训练模型对场景数据进行分类获得分类结果；

模型在线学习优化平台对分类结果以及实际采集的垃圾数量进行对比，获得反馈结果，根据反馈结果对训练模型进行优化更新。

进一步的，分析历史场景数据，提取特征参数，具体包括：对历史场景数据进行显著性检验，确定显著性大的特征指标。

进一步的，根据各个历史场景的垃圾产生数据进行量化分级具体包括：

将垃圾数量由少到多划分为若干个等级，各个等级对应不同的分值；

根据同一历史场景不同时刻的垃圾产生数据确定不同时刻的分值，并求取不同时刻分值的平均值，将平均值对应的垃圾数量等级作为相应历史场景的量化分级。

进一步的，当所述反馈结果无差异或差异较小时，不对训练模型进行优化更新；当所述反馈结果存在较大差异时，模型在线学习优化平台对训练模型进行优化更新。

进一步的，模型在线学习优化平台根据反馈结果对训练模型进行优化更新，具体为通过增量式学习算法对训练模型进行调整优化，包括在反馈结果存在较大差异时通过增量式学习算法对训练模型进行在线实时调整；以及在垃圾收集设备遇到新类型的场景时通过增量式学习算法对训练模型进行在线实时更新。

进一步的，根据样本对应的特征指标值和量化分级构建分类器，具体包括：

将历史场景数据样本的70％作为训练样本，通过随机森林算法对训练样本进行训练以构建分类器，所述分类器用于分类出不同场景下垃圾存在的数量级；

将历史场景数据样本的另外30％作为验证样本，验证训练模型的精确度。

本发明还提供一种智能垃圾桶在线自主学习系统，所述系统包括数据采集中心、模型在线学习优化平台、模型离线训练平台以及垃圾收集设备，所述数据采集中心、模型在线学习优化平台、模型离线训练平台之间数据相通，所述模型在线学习优化平台通过网络与垃圾收集设备进行数据交互，

所述数据采集中心用于采集历史场景数据以及实时场景数据；

所述模型离线训练平台用于根据历史场景数据构建分类器获得训练模型；

所述模型在线学习优化平台用于根据实时场景数据通过增量式学习算法对训练模型进行在线调整优化；

所述垃圾收集设备用于接收模型在线学习优化平台的指令前往相应场景收集垃圾、检测所收集垃圾数量。

进一步的，所述数据采集中心通过网络获取历史场景数据以及实时场景数据，所述网络至少包括通信网、互联网以及物联网，所述历史场景数据、实时场景数据至少包括地点、天气、人流量、季节、节假日、有无节目演出。

进一步的，所述模型在线学习优化平台包括第一数据处理单元、第一特征提取单元、机器学习模型单元、模型反馈单元、增量训练单元以及模型更新单元。

进一步的，所述模型离线训练平台包括第二数据处理单元、第二特征提取单元、模型训练单元、模型验证单元以及模型应用单元。

与现有技术相比，本发明的有益效果是：

(1)通过模型在线学习优化平台使得整个系统具备在线自学习的能力，所述平台可以不断根据新的实时数据对训练模型进行调整优化，修正和加强之前的学习数据，而不必对全部数据重新进行离线训练学习，提高系统可靠性和时效性，同时还解决了实际应用中一些样本反映的信息随着时间变化导致训练模型识别率降低的问题；

(2)通过将所述方法及系统应用在智能垃圾收集设备上，使得智能垃圾收集设备可以根据场景数据实时调整工作时间和工作位置，解决目前垃圾收集设备位置固定、使用率低的问题，从而避免资源浪费，并延长设备的使用寿命。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一可选实施例的智能垃圾桶在线自主学习方法整体流程示意图。

图2是本发明一可选实施例的智能垃圾桶在线自主学习系统整体结构示意图。

图中，1是数据采集中心，2是模型在线学习优化平台，3是模型离线训练平台，4是智能垃圾桶，21是第一数据处理单元，22是第一特征提取单元，23是机器学习模型单元，24是模型反馈单元，25是增量训练单元，26是模型更新单元，31是第二数据处理单元，32是第二特征提取单元，33是模型训练单元，34是模型验证单元，35是模型应用单元。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所列举实施例只用于解释本发明，并非用于限定本发明的范围。

实施例一

参照图1，本发明提供一种智能垃圾桶在线自主学习方法，所述方法包括以下步骤：

S1、获取包括垃圾产生数据的历史场景数据，根据各个历史场景的垃圾产生数据进行量化分级。

步骤S1中，基于大数据的基础上获取包括垃圾产生数据的历史场景数据，例如，采用网络机器人通过URL引用爬取不同数据，并对相关数据建立索引、验证HIML文件合法性、URL链接点验证与确认、监控与获取更新的信息、站点镜像，通过网络机器人生成索引形成的数据库以及调查问卷等方式获取包括垃圾产生数据的历史场景数据。

获取历史场景数据后，对历史场景数据中的垃圾产生数据进行量化分级，具体包括：

将垃圾数量由少到多划分为若干个等级，各个等级对应不同的分值；

根据同一历史场景不同时刻的垃圾产生数据确定不同时刻的分值，并求取不同时刻分值的平均值，将平均值对应的垃圾数量等级作为相应历史场景的量化分级。例如，可将垃圾数量划分为数量较多、数量多、数量少、数量极少四个等级，并依次记为4分、3分、2分和1分，其中数量较多表示场景内垃圾桶中垃圾溢出，或地上到处都是垃圾；数量多表示场景内垃圾桶中垃圾占容积的3/4，且地上偶有散落垃圾或地上散落较多垃圾；数量少表示场景内垃圾桶中垃圾占容积不超过1/2，或地上散落有少量垃圾；数量极少表示场景内垃圾桶中垃圾占容积不超过1/4。在本发明的另一可选实施例中，量化分级时还可以采用专家打分法，将所有专家对某一历史场景垃圾产生量所打分值进行相加后求取其平均值，将平均值作为相应历史场景的垃圾数量级。

S2、分析历史场景数据，提取特征参数。

步骤S2中，基于统计学的显著性检验，对历史场景数据进行分析，并提取可以反映场景中垃圾数量水平的特征参数。通常情况下，不同的特征参数在不同场景中会产生不同的差异。通过显著性检验筛选出显著性较大的特征参数，即对场景产生垃圾数量影响较大的特征参数，例如天气、人流量、季节、节假日、有无节目演出等。

S3、将提取的特征参数引入特征空间，从历史场景数据中抽取部分样本并计算每个样本的特征指标值，根据样本对应的特征指标值和量化分级构建分类器，作为训练模型。

步骤S3中，首先将步骤S2中获得的可以反映场景垃圾数量级的特征参数引入到特征空间，计算抽取的部分样本的特征指标值并用于构建通用分类器，具体包括：

将历史场景数据样本的70％作为训练样本，计算训练样本的特征指标值，并根据训练样本的特征指标值以及相应的量化分级，通过随机森林算法进行训练构建出分类器，以作为训练模型。分类器用于对不同场景的垃圾数量进行分类辨识。

构建分类器后，需要对分类器的精确度进行验证，本实施例中采取的验证方式为：将历史场景数据样本的另外30％作为验证样本，通过分类器对验证样本进行处理以验证分类器的精确度。

S4、垃圾收集设备采集场景数据，前往相应场景收集垃圾，同时应用训练模型对场景数据进行分类获得分类结果。

步骤S4中，完成分类器的构建后，将训练模型应用到线上的模型在线学习优化平台中，垃圾收集设备通过所述平台获取存在垃圾的实时场景数据，并自动前往相应场景收集垃圾，同时模型在线学习优化平台通过训练模型对实时场景数据进行处理，获得分类结果，所述处理包括提取实时场景数据中的特征参数，通过分类器对特征参数等数据进行处理以获得表示场景中垃圾数量的分类结果。

S5、模型在线学习优化平台对分类结果以及实际采集的垃圾数量进行对比，获得反馈结果，根据反馈结果对训练模型进行优化更新。

步骤S5中，垃圾收集设备收集场景中的垃圾后，通过自身的容量检测设备获取实际收集的垃圾数量并反馈到模型在线学习优化平台，模型在线学习优化平台对分类结果以及垃圾收集设备实际收集的垃圾数量进行对比获得反馈结果，当反馈结果无差异或差异较小时，即分类结果与实际收集的垃圾数量相近，则说明当前训练模型的精确度较高，可以满足需求，不需要进行更新；当反馈结果差异较大时，说明当前训练模型的精确度较差，需要对训练模型进行更新优化。

在本实施例中，模型在线学习优化平台通过增量式学习算法对训练模型进行调整优化，包括：在反馈结果存在较大差异时通过增量式学习算法对训练模型进行在线实时调整；以及在垃圾收集设备遇到新类型的场景时通过增量式学习算法对训练模型进行在线实时更新。增量式学习算法可以不断对新的样本数据进行学习，并保留之前的大部分学习数据，每当新增数据时，不需要重建所有知识库，而是在原有知识库的基础上，仅对由于新增数据所引起的变化进行更新。通过增量式学习对训练模型进行优化的过程基于反馈结果进行，当反馈结果较好时，通常可以理解为和历史场景相近，就不需要进行模型的在线调整，而当反馈结果不好时，则进行增量训练，调整训练模型，以应对未来某一时刻可能会再次遇见相同情况的场景，不断类推，通过反馈结果不断调整模型，保持训练模型的精确度。

本实施例公开的一种智能垃圾桶在线自主学习方法，主要包括离线状态下的模型训练，以及在线状态下训练模型自学习优化两部分内容。离线状态下对模型进行训练时，首先采集产生垃圾较多的历史场景数据，分析历史场景数据，提取出与垃圾产生相关性较大的特征参数，基于机器学习算法构建分类器，以判断何种情况下会出现大量垃圾。完成模型训练后，实时在线将训练好的精确度较高的分类器进行应用。在应用过程中，通过运行在云端服务器的模型在线学习优化平台对模型的分类结果被记录与智能垃圾桶实际收集到的垃圾数量进行对比，得出一个反馈结果，若反馈结果相近时，说明当前模型具有很高的精度能够满足需求，不需要进行更新；当反馈结果存在较大差异时，则根据增量式学习算法对模型进行自动更新，以此不断类推，每当出现新类型的场景时，增量式学习算法就会自行进行学习调整训练模型，以满足高精度的要求。所述方法可避免人为离线优化的繁琐过程，降低人力投入，另一方面，当训练模型对实时场景数据的分类结果表明存在垃圾时，智能垃圾桶通过云端服务器获取场景位置并自动前往场景收集垃圾，解决目前垃圾收集设备位置固定、使用率低的问题，从而避免资源浪费，并延长设备的使用寿命。

实施例二

本实施例在实施例一的基础上公开了一种智能垃圾桶在线自主学习系统，参照图2，所述系统包括数据采集中心1、模型在线学习优化平台2、模型离线训练平台3以及垃圾收集设备4，所述数据采集中心1、模型在线学习优化平台2、模型离线训练平台3之间数据相通，所述模型在线学习优化平台2通过网络与垃圾收集设备4进行数据交互。

所述数据采集中心1用于采集历史场景数据以及实时场景数据，所述历史场景数据用于构建分类器；所述实时场景数据用于分类器判断场景的实时垃圾数量。在本实施例中，数据采集中心通过网络获取历史场景数据以及实时场景数据，所述网络至少包括通信网、互联网以及物联网。所获取的历史场景数据、实时场景数据至少包括地点、天气、人流量、季节、节假日、有无节目演出等信息。

所述模型离线训练平台3用于根据历史场景数据构建分类器获得训练模型。模型离线训练平台3包括第二数据处理单元31、第二特征提取单元32、模型训练单元33、模型验证单元34以及模型应用单元35，各个单元之间数据相通。

其中，所述第二数据处理单元31用于接收并处理数据采集中心1发送的历史场景数据，并将历史场景数据发送至第二特征提取单元32。所述第二特征提取单元32用于基于统计学的显著性检验提取历史场景数据中对垃圾产生数量影响较大的特征参数，并将处理后的相关数据发送至模型训练单元33。所述模型训练单元33首先抽取部分历史场景数据作为训练样本，通过随机森林算法对训练样本进行训练构建分类器，分类器可根据场景数据分类出不同场景下存在垃圾的数量级。在构建分类器后，所述模型验证单元34抽取另一部分历史场景数据作为验证样本，通过验证样本对分类器的精确度进行验证，验证分类器的精确度达到应用标准后，所述模型应用单元35将分类器发送至模型在线学习优化平台2进行线上应用以及实时调整优化。

所述模型在线学习优化平台2运行于云端服务器，用于根据实时场景数据通过增量式学习算法对作为训练模型的分类器进行在线调整优化。模型在线学习优化平台2包括第一数据处理单元21、第一特征提取单元22、机器学习模型单元23、模型反馈单元24、增量训练单元25以及模型更新单元26，各个单元之间数据相通。

其中，所述第一数据处理单元21用于接收并处理数据采集中心1发送的实时场景数据，并将实时场景数据发送至第一特征提取单元22。所述第一特征提取单元22用于提取实时场景数据中对垃圾产生数量影响较大的特征参数，并将处理后的相关数据发送至机器学习模型单元23。所述机器学习模型单元23通过分类器对处理后的实时场景数据进行分类，获得表示该场景垃圾产生数量级的分类结果并发送至模型反馈单元24。所述模型反馈单元24用于接收垃圾收集设备4上传的实际收集垃圾数量数据，并将实际收集垃圾数量数据与分类结果进行比对获得反馈结果，当反馈结果相近时，说明模型精确度较高，可以满足当前需求；当反馈结果相差较大时，说明模型精确度较低，需要进行调整优化。所述增量训练单元25用于根据反馈结果通过增量式学习算法对分类器进行调整优化，使分类器在未来某一时刻处理相同的场景数据时能够保持较高的精确度。所述模型更新单元26用于将经过增量学习的分类器更新到机器学习模型单元23中。

所述垃圾收集设备4用于接收模型在线学习优化平台2的指令前往相应场景收集垃圾、检测所收集垃圾数量。在本实施例中，所述垃圾收集设备4为智能垃圾桶，所述智能垃圾桶至少应包括用于收集场景内垃圾的垃圾收集机构、用于存放所收集垃圾的垃圾存储机构、用于检测所收集垃圾数量的容积检测装置、用于移动垃圾桶本体的行走机构、用于与上位机进行数据通信的网络通讯装置以及用于处理指令的信息处理装置。其中，所述容积检测装置可以为设于垃圾存储机构内不同高度的激光传感器，各个激光传感器之间的高度差相同，根据被触发/遮挡的激光传感器数量判断垃圾存储机构内存放的垃圾数量。当模型在线学习优化平台2对实时场景数据的分类结果表明场景内存在垃圾时，智能垃圾桶自行移动到相应场景收集垃圾。需要指出的是，智能垃圾桶的自行移动采用已经应用于实际的基于封闭场地的自动驾驶技术实现，通过智能垃圾桶收集场景内的垃圾对于本领域技术人员而言亦属于熟知的技术手段，此处不是本发明的重点，因此不对其原理做过多阐述。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种智能垃圾桶在线自主学习方法，其特征在于，所述方法包括以下步骤：

获取包括垃圾产生数据的历史场景数据，对每个历史场景的垃圾产生数据均进行对应的量化分级；

基于统计学的显著性检验，分析历史场景数据，提取特征参数，所述特征参数为影响场景产生垃圾数量的相关参数；

将提取的特征参数引入特征空间，从历史场景数据中抽取部分样本并计算每个样本的特征指标值，根据样本对应的特征指标值和量化分级构建分类器，作为训练模型；

垃圾收集设备采集场景数据，前往相应场景收集垃圾，同时应用训练模型对场景数据进行分类获得分类结果；

模型在线学习优化平台对分类结果以及实际采集的垃圾数量进行对比，获得反馈结果，根据反馈结果对训练模型进行优化更新。

2.根据权利要求1所述的一种智能垃圾桶在线自主学习方法，其特征在于，所述分析历史场景数据，提取特征参数，具体包括：对历史场景数据进行显著性检验，确定显著性大的特征指标。

3.根据权利要求1所述的一种智能垃圾桶在线自主学习方法，其特征在于，所述对每个历史场景的垃圾产生数据均进行对应的量化分级具体包括：

将垃圾数量由少到多划分为若干个等级，各个等级对应不同的分值；

根据同一历史场景不同时刻的垃圾产生数据确定不同时刻的分值，并求取不同时刻分值的平均值，将平均值对应的垃圾数量等级作为相应历史场景的量化分级。

4.根据权利要求1所述的一种智能垃圾桶在线自主学习方法，其特征在于，当所述反馈结果无差异或差异较小时，不对训练模型进行优化更新；当所述反馈结果存在较大差异时，模型在线学习优化平台对训练模型进行优化更新。

5.根据权利要求4所述的一种智能垃圾桶在线自主学习方法，其特征在于，模型在线学习优化平台根据反馈结果对训练模型进行优化更新，具体为通过增量式学习算法对训练模型进行调整优化，包括在反馈结果存在较大差异时通过增量式学习算法对训练模型进行在线实时调整；以及在遇到新类型的场景时通过增量式学习算法对训练模型进行在线实时更新。

6.根据权利要求1所述的一种智能垃圾桶在线自主学习方法，其特征在于，根据样本对应的特征指标值和量化分级构建分类器，具体包括：

将历史场景数据样本的70％作为训练样本，通过随机森林算法对训练样本进行训练以构建分类器，所述分类器用于分类出不同场景下垃圾存在的数量级；

将历史场景数据样本的另外30％作为验证样本，验证训练模型的精确度。

7.用于实现权利要求1所述方法的一种智能垃圾桶在线自主学习系统，其特征在于，所述系统包括数据采集中心、模型在线学习优化平台、模型离线训练平台以及垃圾收集设备，所述数据采集中心、模型在线学习优化平台、模型离线训练平台之间数据相通，所述模型在线学习优化平台通过网络与垃圾收集设备进行数据交互，

所述数据采集中心用于采集历史场景数据以及实时场景数据；

所述模型离线训练平台用于根据历史场景数据构建分类器获得训练模型；

所述模型在线学习优化平台用于根据实时场景数据通过增量式学习算法对训练模型进行在线调整优化；

所述垃圾收集设备用于接收模型在线学习优化平台的指令前往相应场景收集垃圾、检测所收集垃圾数量。

8.根据权利要求7所述的一种智能垃圾桶在线自主学习系统，其特征在于，所述数据采集中心通过网络获取历史场景数据以及实时场景数据，所述网络至少包括通信网、互联网以及物联网，所述历史场景数据、实时场景数据至少包括地点、天气、人流量、季节、节假日、有无节目演出。

9.根据权利要求7所述的一种智能垃圾桶在线自主学习系统，其特征在于，所述模型在线学习优化平台包括第一数据处理单元、第一特征提取单元、机器学习模型单元、模型反馈单元、增量训练单元以及模型更新单元。

10.根据权利要求7所述的一种智能垃圾桶在线自主学习系统，其特征在于，所述模型离线训练平台包括第二数据处理单元、第二特征提取单元、模型训练单元、模型验证单元以及模型应用单元。

Images